CN101980298B - 基于多智能体遗传聚类算法的图像分割方法 - Google Patents

Abstract

本发明公开了一种基于多智能体遗传聚类算法的图像分割方法，主要解决现有技术对初始聚类中心敏感，收敛速度慢及容易陷入局部极值的问题。本方法将图像的聚类分割转化为一个全局优化问题，其实现步骤为：首先，提取待分割图像像素点的邻域中值和邻域均值二维灰度信息，构造一个新的二维直方图；其次，将多智能体遗传算法MAGA和模糊C均值聚类算法FCM相结合，利用多智能体遗传算法的全局优化能力获得最优聚类中心和隶属度矩阵；根据最大隶属度原则输出聚类标签，进而实现图像分割。本方法抗噪声能力强，收敛速度快，能够改善图像分割的质量和分割效果的稳定性，可用于图像目标的提取和识别。

Description

基于多智能体遗传聚类算法的图像分割方法

技术领域

本发明属于图像处理技术领域，涉及图像分割方法，可用于模式识别和计算机视觉等领域。

背景技术

图像分割是后续图像分析和图像理解的基础，在实际中有着非常广泛的应用，例如对图像目标的提取、测量都离不开图像分割，分割的准确性直接影响后续任务的有效性，因此具有十分重要的意义。

图像分割又是一种特殊的图像处理技术，其实质是一个按照像素属性即灰度、纹理、颜色进行分类的过程。

聚类是无监督分类的一种，被广泛地应用于工程、生物、计算机视觉和遥感等领域。聚类是将一组分布未知的数据进行分类，尽可能地使得同一类中的数据具有相同的性质，而不同类的数据其性质各异，其目的是寻找隐藏在数据中的结构。

基于此，许多聚类算法被应用于图像分割领域并取得了较为满意的效果。但由于图像数据的特殊性，并不是所有的聚类算法都能直接应用于图像分割，有的算法需要改进，有的算法根本不适合这个领域。几种常用的聚类技术包括：分层聚类算法，最近邻域聚类算法，模糊聚类算法，人工神经网络聚类算法，遗传聚类算法。其中，经常被用于图像分割的典型的聚类算法是模糊C均值FCM算法。但这种FCM算法的缺点是：对初始值敏感及对噪声数据敏感，容易陷入局部最优。为解决这类问题，许多研究人员提出采用遗传算法与FCM结合，得到了比较满意的结果，例如国内的高新波教授在其著作《模糊聚类分析及其应用》(西安电子科技大学出版社，2004年出版)中曾对此做过大量的研究，但由于传统遗传算法全局进化机理的局限，使得这种遗传算法与FCM结合后的方法GA-FCM仍然具有收敛速度慢和容易陷入局部极值等缺陷，导致图像分割质量的下降和分割效果稳定性的降低。另外，前面所述的FCM以及遗传算法与FCM结合后的方法在分割图像时利用的是图像灰度直方图特征，二者均没有充分的考虑图像像素的空间信息，因此图像分割质量容易受到图像中噪声的影响，不利于后续的图像分析和理解。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于多智能体遗传聚类算法的图像分割方法，以充分考虑图像像素的空间信息，抑制噪声对图像分割的影响，改善了图像分割效果。

为实现上述目的，本发明包括以下步骤：

(1)输入待分割图像，

(2)提取待分割图像的二维灰度信息：

(2a)对待处理的当前像素点(σ₁，σ₂)，选取该点3×3邻域内各点值的中值代替(σ₁，σ₂)，将此均值作为二维灰度信息的第一维；

(2b)对待处理的当前像素点(σ₁，σ₂)，选取该点(5×5)邻域内各点的均值代替(σ₁，σ₂)，将此均值作为二维灰度信息的第二维；

(3)应用多智能体遗传聚类算法对图像二维灰度信息进行聚类：

(3a)确定聚类数目c和模糊权重m，随机初始化聚类原型，每个聚类原型代表一个智能体，确定种群大小，令进化代数t＝0；

(3b)利用如下隶属度公式对隶属度进行更新：

$u_{\mathrm{ik}}=\frac{1}{{\mathrm{\Σ}}_{j=1}^c{\left(\frac{\left|\right|x_k-v_i\left|\right|}{\left|\right|x_k-v_j\left|\right|}\right)}^{2/(m-1)}},$

其中：i和j表示聚类类别，v为聚类中心，v_i表示第i类的聚类中心，v_j表示第j类的聚类中心，k表示当前待聚类数据的标号，u_ik表示第k个待聚类数据隶属于第i类的隶属度，x为待聚类的图像二维灰度信息，x_k表示待聚类的图像二维灰度信息的第k个数据；

(3c)利用如下公式计算种群中智能体的能量Energy(V)：

$\mathrm{Energy}\left(V\right)=\frac{1}{\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ik}}^m{\left|\right|x_k-v_i\left|\right|}^2+\mathrm{\ζ}},$

其中：V表示种群中的智能体，n为待聚类图像二维灰度信息的数目，ζ为常数；

(3d)根据(3c)中计算的种群中智能体的能量，将领域竞争算子作用在智能体网格L^t中的每个智能体上，获得智能体网格L^t+1/3；

(3e)设R(0，1)是0到1之间的随机数，如果R(0，1)小于领域正交交叉操作概率P_c，将领域正交交叉算子作用在智能体网格L^t+1/3中的智能体上，产生新的智能体网格L^t+2/3；如果R(0，1)小于高斯变异算子操作概率P_m，将变异算子作用在新的智能体网格L^t+2/3中的智能体上，得到下一代智能体网格L^t+1；

(3f)从下一代智能体网格L^t+1中找到能量最大的智能体CBest^t+1，将自学习算子作用在该智能体CBest^t+1上，如果满足Energy(CBest^t+1)＞Energy(Best^t)，则Best^t+1←CBest^t+1，否则，Best^t+1←Best^t，CBest^t+1←Best^t，其中：Best^t为L⁰，L¹，...，L^t中能量最大的智能体；

(3g)如果满足终止条件，输出隶属度矩阵和聚类原型并且停止，否则t←t+1转向步骤(3b)；

(3h)根据(3g)输出的隶属度矩阵，按最大隶属度原则输出聚类标签；

(3i)根据(3h)输出的聚类标签，对图像像素进行分类，实现图像分割，并输出分割后的图像。

本发明和现有技术具有如下优点：

1.本发明与现有的模糊C均值FCM方法相比，由于采用了智能体网格结构和邻域竞争算子、邻域正交交叉算子，高斯变异算子和自学习算子等操作，因此克服了FCM算法对初始聚类中心敏感及易陷入局部极值等缺点。

2.本发明与现有的GA-FCM聚类算法相比，由于采用了智能体网格结构和邻域竞争算子、邻域正交交叉算子，高斯变异算子和自学习算子等操作，因此克服了GA-FCM聚类算法收敛速度慢和容易陷入局部极值等缺点。

3.本发明与现有的模糊C均值FCM算法、GA-FCM聚类算法相比，由于采用了改进的图像二维灰度信息作为特征，因此抑制了噪声对图像分割的影响，改善了图像分割的质量，同时由于采用了智能体网格结构和邻域竞争算子、邻域正交交叉算子，高斯变异算子和自学习算子等操作，因此增强了分割效果的稳定性。

附图说明

图1是本发明的流程框图；

图2是本发明中智能体生存的网格环境；

图3是本发明与GA-FCM聚类算法收敛性对比图；

图4是本发明与现有三种聚类图像分割算法应用于椒盐噪声大小为0.05的两类灰度图像仿真对比图；

图5是本发明与现有三种聚类图像分割算法应用于高斯噪声为N(0，0.02)的四类灰度图像仿真对比图；

图6是本发明与现有三种聚类图像分割算法应用于SAR机场图像仿真对比图；

图7是本发明与现有三种聚类图像分割算法应用于SAR港口图像仿真对比图。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1，提取待分割图像的二维直方图信息。

(1.1)输入待分割图像；

(1.2)对待处理的当前像素点(σ₁，σ₂)，选取该点3×3邻域内各点值的中值代替(σ₁，σ₂)，将此均值作为二维灰度信息的第一维；

(1.3)对待处理的当前像素点(σ₁，σ₂)，选取该点(5×5)邻域内各点的均值代替(σ₁，σ₂)，将此均值作为二维灰度信息的第二维。

步骤2，应用多智能体遗传聚类算法对图像二维灰度信息进行聚类。

2.1)多智能体遗传聚类算法

智能体生存在一个网格环境中，称为智能体网格，记为L，网格的大小为L_size×L_size，其中，L_size为整数，每个智能体固定在一个格点上，记处于第i行、第j列的智能体为L_i，j，i，j＝1，2，Λ，L_size，则智能体L_i，j的邻域为

$L_{i,j}^{\mathrm{neighbors}}=\{L_{i^{\′},j},L_{{i,j}^{\′}},L_{i^{\′\′},j},L_{i,j^{\′\′}}\}$

其中，

$i^{\′}=\left\{\begin{array}{cc}i-1& i\≠1\\ L_{\mathrm{size}}& i=1\end{array}\right.,$ $j^{\′}=\left\{\begin{array}{cc}j-1& j\≠1\\ L_{\mathrm{size}}& j=1\end{array}\right.,$ $i^{\′\′}=\left\{\begin{array}{cc}i+1& i\≠L_{\mathrm{size}}\\ 1& i=L_{\mathrm{size}}\end{array}\right.,$ $j^{\′\′}=\left\{\begin{array}{cc}j+1& j\≠L_{\mathrm{size}}\\ 1& j=L_{\mathrm{size}}\end{array}\right..$

每个智能体不能移动，只能和其邻域发生相互作用。

智能体网格如图2所示，每个圆圈表示一个智能体，圆圈中的数字表示该智能体在网格中的位置，而有连线的两个智能体才能发生相互作用。

多智能体遗传聚类算法主要包括四个算子：邻域竞争算子、邻域正交交叉算子、高斯变异算子和自学习算子，各算子分别产生新智能体：

A.邻域竞争算子是按如下两种策略产生的新智能体：

在策略1中，按下式产生新智能体

其中，e_pq为

中的元素，x_pq为初始智能体网格中智能体数值的下界，

为初始智能体网格中智能体数值的上界，m_pq为邻域能量最大的智能体

中位于(p，q)处的值，l_pq为智能体L_i，j中位于(p，q)处的值，c为聚类数目，s为图像二维灰度信息维数，R(-1，1)为-1到+1之间的随机数；

在策略2中，按下式产生新智能体

首先，按下式将

中元素m_pq映射到区间[0，1]上，得到新的元素m′_pq，

$m_{\mathrm{pq}}^{\′}=\frac{m_{\mathrm{pq}}-{\underset{\‾}{x}}_{\mathrm{pq}}}{{\stackrel{\‾}{x}}_{\mathrm{pq}}-{\underset{\‾}{x}}_{\mathrm{pq}}},\begin{array}{c}p=\mathrm{1,2},...,c.\\ q=\mathrm{1,2},...,s.\end{array};$

然后，根据下式确定映射区间[0，1]上的智能体

$L_{i,j}^{{\mathrm{new}}^{\′}}=(m_{p,1}^{\′},m_{p,2}^{\′},K,m_{p,i_1-1}^{\′},m_{p,i_2-1}^{\′},K,m_{p,i_1+1}^{\′},m_{p,i_1}^{\′},m_{p,i_2+1}^{\′},m_{{p,i}_2+2}^{\′},K,m_{p,s}^{\′})$

p＝1，2，K，c，1＜i₁＜s，1＜i₂＜s，i₁＜i₂；

最后，根据下式将映射回区间

得到新智能体

$e_{\mathrm{pq}}={\underset{\‾}{x}}_{\mathrm{pq}}+m_{\mathrm{pq}}^{\′}({\stackrel{\‾}{x}}_{\mathrm{pq}}-{\underset{\‾}{x}}_{\mathrm{pq}})$

p＝1，2，...，c，q＝1，2，...，s。

B.高斯变异算子是通过下式产生一个新的变异智能体：

其中，e_pq为中的元素，G(0，1/t)是高斯分布的随机数，R(0，1)是0到1之间的随机数，T为总进化代数，t是当前进化代数。

C.自学习算子是按如下步骤产生一个新的智能体：

首先，利用智能体网格生成的方法产生一个自学习智能体网格sL，其大小为sL_size×sL_size，其上的所有智能体sL_i′，j′，i′，j′＝1，2，...，sL_size根据下式产生：

$L_{i^{\&prime;},j^{\&prime;}}^{\mathrm{sel}}=\left\{\begin{array}{ccc}{\underset{\&OverBar;}{x}}_{\mathrm{pq}},& l_{\mathrm{pq}}\&CenterDot;R(1-\mathrm{sRadius},1+\mathrm{sRadius})<{\underset{\&OverBar;}{x}}_{\mathrm{pq}},& \\ {\stackrel{\&OverBar;}{x}}_{\mathrm{pq}},& l_{\mathrm{pq}}\&CenterDot;R(1-\mathrm{sRadius},1+\mathrm{sRadius})>{\stackrel{\&OverBar;}{x}}_{\mathrm{pq}},& \\ l_{\mathrm{pq}}\&CenterDot;R(1-\mathrm{sRadius},1+\mathrm{sRadius}),& \mathrm{otherwise},& \begin{array}{c}p=\mathrm{1,2},...,c.\\ q=\mathrm{1,2},...,s.\end{array}\end{array}\right.$

其中，R(1-sRadius，1+sRadius)表示1-sRadius到1+sRadius之间的随机数，sRadius∈[0，1]表示搜索半径；

其次：将邻域竞争算子和变异算子迭代作用在自学习智能体网格sL上，用自学习智能体网格sL中能量最大的智能体替代L_i，j。

2.2)应用多智能体遗传聚类算法按如下步骤对图像二维灰度信息进行聚类：

2.2.1)确定聚类数目c和模糊权重m，随机初始化聚类原型，每个聚类原型代表一个智能体，确定种群大小，令进化代数t＝0；

2.2.2)利用如下隶属度公式对隶属度进行更新：

$u_{\mathrm{ik}}=\frac{1}{{\mathrm{\&Sigma;}}_{j=1}^c{\left(\frac{\left|\right|x_k-v_i\left|\right|}{\left|\right|x_k-v_j\left|\right|}\right)}^{2/(m-1)}},$

其中：i和j表示聚类类别，v为聚类中心，v_i表示第i类的聚类中心，v_j表示第j类的聚类中心，k表示当前待聚类数据的标号，u_ik表示第k个待聚类数据隶属于第i类的隶属度，x为待聚类的图像二维灰度信息，x_k表示待聚类的图像二维灰度信息的第k个数据；

2.2.3)利用如下公式计算种群中智能体的能量Energy(V)：

$\mathrm{Energy}\left(V\right)=\frac{1}{\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ik}}^m{\left|\right|x_k-v_i\left|\right|}^2+\mathrm{\&zeta;}},$

其中：V表示种群中的智能体，n为待聚类图像二维灰度信息的数目，ζ为常数；

2.2.4)根据步骤2.3.3)中计算的种群中智能体的能量，将领域竞争算子作用在智能体网格L^t中的每个智能体上，获得智能体网格L^t+1/3；

领域竞争算子有两种产生新智能体的策略，执行时以竞争概率P₀从策略1和策略2中选择一种，若0到1之间的随机数R(0，1)小于竞争概率P₀，则选择策略1，反之若R(0，1)大于竞争概率P₀，则选择策略2。

2.2.5)设R(0，1)是0到1之间的随机数，如果R(0，1)小于领域正交交叉操作概率P_c，将领域正交交叉算子作用在智能体网格L^t+1/3中的智能体上，产生新的智能体网格L^t+2/3；如果R(0，1)小于高斯变异算子操作概率P_m，将变异算子作用在新的智能体网格L^t+2/3中的智能体上，得到下一代智能体网格L^t+1；

2.2.6)从下一代智能体网格L^t+1中找到能量最大的智能体CBest^t+1，将自学习算子作用在该智能体CBest^t+1上，如果满足Energy(CBest^t+1)＞Energy(Best^t)，则Best^t+1←CBest^t+1，否则，Best^t+1←Best^t，CBest^t+1←Best^t，其中：Best^t为L⁰，L¹，...，L^t中能量最大的智能体；

2.2.7)如果满足终止条件，输出隶属度矩阵和聚类原型并停止，否则t←t+1转向步骤2.2.2)；

2.2.8)根据步骤2.2.7)输出的隶属度矩阵，按最大隶属度原则输出聚类标签。

最大隶属度原则为：

像素η属于第一类的概率为p1，属于第二类的概率为p2，若p1＜p2，则像素η属于第二类，反之若p1＞p2，则像素η属于第一类；对于多类的情况，若像素η属于第i″′类的概率大于像素η属于其它类的概率，则像素η属于第i″′类。

步骤3，根据步骤2.2.8)输出的聚类标签，对图像像素进行分类，实现图像分割，并输出分割后的图像。

本发明的效果可以通过以下仿真结果进一步说明。

1.参数设置

智能体网格大小L_size＝6，竞争概率P₀＝0.5，邻域正交交叉概率P_c＝0.4，高斯变异概率P_m＝0.1，最大进化代数T＝10，自学习智能体网格大小sL_size＝4，搜索半径sRadius＝0.2，自学习变异概率sP_m＝0.05，自学习代数sGen＝8。

GA-FCM聚类算法参数设置为：种群大小36，最大进化代数100，交叉概率0.4，变异概率0.1。

2DGA-FCM聚类算法参数设置为：种群大小36，最大进化代数100，交叉概率0.4，变异概率0.1。

FCM参数设置：m＝2，阈值10e-6，最大代数100。

2.仿真内容

应用本发明图像分割方法和现有的FCM聚类分割方法、GA-FCM聚类分割算法、2DGA-FCM聚类分割算法，分别对一幅两类加燥图像、一幅四类加燥图像、一幅SAR机场图像、一幅SAR港口图像进行分割，并给出了分割正确率作为客观评价标准来说明本发明应用于图像分割的性能，其正确率越高，说明分割性能越好。

仿真内容1，将现有GA-FCM聚类分割方法与本发明的图像分割方法进行收敛性比较，其结果如图3所示。

仿真内容2，将现有FCM聚类分割方法，GA-FCM聚类分割方法，2DGA-FCM聚类分割方法和本发明的图像分割方法应用于两类加燥图像进行分割，其结果如图4所示，其中：图4(a)为原始合成图像，物体灰度值为160，背景灰度值为100，图4(b)为对图4(a)加椒盐噪声后的图像，噪声大小为0.05，图4(c)为FCM聚类分割方法分割图，图4(d)为GA-FCM聚类分割方法分割图，图4(e)为2DGA-FCM聚类分割方法分割图，图4(f)为本发明方法分割图。

仿真内容3，将现有FCM聚类分割方法，GA-FCM聚类分割方法，2DGA-FCM聚类分割方法和本发明的图像分割方法应用于四类加燥图像进行分割，其结果如图5所示，其中：图5(a)为原始合成图像，图像四部分灰度值分布为0，80，160，240，图5(b)为图5(a)加高斯噪声后的图像，噪声大小为0.02，图5(c)为FCM聚类分割方法分割图，图5(d)为GA-FCM聚类分割方法分割图，图5(e)为2DGA-FCM聚类分割方法分割图，图5(f)为本发明方法分割图。

仿真内容4，将现有FCM聚类分割方法，GA-FCM聚类分割方法，2DGA-FCM聚类分割方法和本发明的图像分割方法应用于SAR机场图像进行分割，其结果如图6所示，其中：图6(a)为原SAR机场图像，图6(b)为FCM聚类分割方法分割图，图6(c)为GA-FCM聚类分割方法分割图，图6(d)为2DGA-FCM聚类分割方法分割图，图6(e)为本发明方法分割图。

仿真内容5，将现有FCM聚类分割方法，GA-FCM聚类分割方法，2DGA-FCM聚类分割方法和本发明的图像分割方法应用于SAR港口图像进行分割，其结果如图7所示，其中：图7(a)为原SAR港口图像，图7(b)为FCM聚类分割方法分割图，图7(c)为GA-FCM聚类分割方法分割图，图7(d)为2DGA-FCM聚类分割方法分割图，图7(e)为本发明方法分割图。

3.仿真分析

从图3中可以看出，本发明方法与传统遗传聚类方法GA-FCM相比，具有更快的收敛速度和更好的收敛性。

表1列出了仿真内容2的仿真结果所得的正确率对比结果。

表1：不同聚类方法分割方法正确率

分割方法	FCM	GA-FCM	2DGA-FCM	本发明方法
					正确率	97.53％	97.53％	97.57％	99.88

从表1中可以看出，本发明方法获得了比现有其他方法更高分割正确率，从图4(f)中可以看出，本发明方法分割后的图像视觉效果更接近于原始图像，本发明方法有效的抑制了椒盐噪声对图像分割的影响。

表2列出了仿真内容3的仿真结果所得的正确率对比结果。

表2：不同聚类方法分割方法正确率

分割方法	FCM	GA-FCM	2DGA-FCM	本发明方法
					正确率	79.73％	95.23％	93.94％	99.14

从表2中可以看出，本发明获得了比现有其他方法更高分割正确率，从图5(f)可以看出，本发明方法分割后的图像视觉效果更接近于原始图像，有效的抑制了高斯噪声对图像分割的影响。

从图6仿真结果可以看出，本方法的分割结果具有更好的区域一致性，而且抑制了机场跑道上的噪声对图像分割的影响，同时，对于除主跑道之外的弱目标则给予忽略，更加清晰地分割出机场主跑道。

从图7仿真结果可以看出，本发明获得了比现有其他方法更好的分割结果，本发明方法和其他方法相比在最大程度上抑制了噪声和杂散点对图像分割效果的影响同时，尤其是在区域一致性的保持上面，本发明得到了比较满意的效果。

Claims (5)

1.一种基于多智能体遗传聚类算法的图像分割方法，包括：

(1)输入待分割图像

(2)提取待分割图像的二维灰度信息：

(2a)对待处理的当前像素点(σ₁，σ₂)，选取该点3×3邻域内各点值的中值代替(σ₁，σ₂)，将此中值作为二维灰度信息的第一维；

(2b)对待处理的当前像素点(σ₁，σ₂)，选取该点5×5邻域内各点的均值代替(σ₁，σ₂)，将此均值作为二维灰度信息的第二维；

(3)应用多智能体遗传聚类算法对图像二维灰度信息进行聚类：

(3a)确定聚类数目c和模糊权重m，随机初始化聚类原型，每个聚类原型代表一个智能体，确定种群大小，令进化代数t＝0；

(3b)利用如下隶属度公式对隶属度进行更新：

其中i和j表示聚类类别，v为聚类中心，v_i表示第i类的聚类中心，v_j表示第j类的聚类中心，k表示当前待聚类数据的标号，u_ik表示第k个待聚类数据隶属于第i类的隶属度，x为待聚类的图像二维灰度信息，x_k表示待聚类的图像二维灰度信息的第k个数据；

(3c)利用如下公式计算种群中智能体的能量Energy(V)：

其中V表示种群中的智能体，n为待聚类图像二维灰度信息的数目，ζ为常数；

(3d)根据(3c)中计算的种群中智能体的能量，将邻域竞争算子作用在智能体网格L^t中的每个智能体上，获得智能体网格L^t+1/3；

(3e)设R(0，1)是0到1之间的随机数，如果R(0，1)小于邻域正交交叉操作概率P_c，将邻域正交交叉算子作用在智能体网格L^t+1/3中的智能体上，产生新的智能体网 格L^t+2/3；如果R(0，1)小于高斯变异算子操作概率P_m，将变异算子作用在新的智能体网格L^t+2/3中的智能体上，得到下一代智能体网格L^t+1；

(3f)从下一代智能体网格L^t+1中找到能量最大的智能体CBest^t+1，将自学习算子作用在该智能体CBest^t+1上，如果满足Energy(CBest^t+1)＞Energy(Best^t)，则Best^t+1←CBest^t+1，否则，Best^t+1←Best^t，CBest^t+1←Best^t，其中Best^t为L⁰，L¹，...，L^t中能量最大的智能体；

(3g)如果满足终止条件，输出隶属度矩阵和聚类原型并且停止，否则t←t+1转向步骤(3b)；

(3h)根据(3g)输出的隶属度矩阵，按最大隶属度原则输出聚类标签；

(3i)根据(3h)输出的聚类标签，对图像像素进行分类，实现图像分割，并输出分割后的图像。

2.根据权利要求1所述的基于多智能体遗传聚类算法的图像分割方法，其中步骤(3d)所述的智能体网格大小定义为L_size×L_size，其中L_size为整数，每个智能体固定在一个格点上，记处于第ii行、第jj列的智能体为L_ii，jj，ii，jj＝1，2，...，L_size，则智能体L_ii，jj的邻域为

其中

3.根据权利要求2所述的基于多智能体遗传聚类算法的图像分割方法，其中步骤(3d)所述的邻域竞争算子是按如下两种策略产生的新智能体：

在策略1中，按下式产生新智能体 

其中p＝1，2，...，c，q＝1，2，...，s，e_pq为 

中的元素，x _pq为初始智能体网格中智能体 数值的下界， 

为初始智能体网格中智能体数值的上界，m_pq为邻域能量最大的智能体 

中位于(p，q)处的值，l_pq为智能体L_ii，jj中位于(p，q)处的值，c为聚类数目，s为图像二维灰度信息维数，R(-1，1)为-1到+1之间的随机数；

在策略2中，按下式产生新智能体 

首先，按下式将 

中元素m_pq映射到区间[0，1]上，得到新的元素m′_pq，

其中p＝1，2，...，c；q＝1，2，...，s，然后，根据下式确定映射区间[0，1]上的智能体 

p＝1，2，...，c，1＜i₁＜s，1＜i₂＜s，i₁＜i₂；

最后，根据下式将 

映射回区间 

得到新智能体 

p＝1，2，...，c，q＝1，2，…，s。

4.根据权利要求2所述的基于多智能体遗传聚类算法的图像分割方法，其中(3e)所述高斯变异算子，是通过下式产生一个新的变异智能体 

其中p＝1，2，...，c；q＝1，2，...，s；c为聚类数目；s为图像二维灰度信息维数；l_pq为智能体 

中位于(p，q)处的值； 

为 

中的元素，G(0，1/t)是高斯分布的随机数；R(0，1)是0到1之间的随机数，T为总进化代数，t是当前进化代数。

5.根据权利要求2所述的基于多智能体遗传聚类算法的图像分割方法，其中步骤(3f)所述的自学习算子，按如下步骤产生一个新的智能体：

首先，利用智能体网格生成的方法产生一个自学习智能体网格sL，其大小为sL_size×sL_size，其上的所有智能体sL_i′，j′，i′，j′＝1，2，...，sL_size根据下式产生： 

其中p＝1，2，...，c；q＝1，2，...，s；x _pq为初始智能体网格中智能体数值的下界；

为初始智能体网格中智能体数值的上界；l_pq为智能体CBest^t+1中位于(p，q)处的值，R(1-sRadius，1+sRadius)表示1-sRadius到1+sRadius之间的随机数，sRadius∈[0，1]表示搜索半径；其次将邻域竞争算子和变异算子迭代作用在自学习智能体网格sL上，用自学习智能体网格sL中能量最大的智能体替代当前种群中的任意一个智能体。 

Images